亚马逊FAR提出FLoRe:引入力控制的人形机器人策略成功率80%,纯位置策略仅26.7%
亚马逊FAR团队预印本显示,能处理接触力的人形机器人策略在三项真实任务中成功率80%,纯位置策略为26.7%,数据由手持力传感夹爪在无机器人条件下采集。
对于既要求手的位置、又要求用力大小的任务,人形机器人能否从无机器人参与的示教中学会?全身控制器能否在行走和保持平衡的同时输出指定的力?
手持夹爪的无机器人数据采集大幅降低了模仿学习成本,但只记录运动。推重车、双手转箱、擦板等任务需要合适的力;只模仿位置的策略要么脱离接触,要么用力过猛,而常见的人形机器人全身控制器根本不接收力指令。
SONIC等全身跟踪控制器跟随手和身体的参考运动,但没有力输入。在外部加导纳环可以请求力,但伺服在平衡策略之外工作,只能实现部分力。基于纯运动示教训练的扩散策略忽略接触力。
FLoRe用两只带力和力矩传感的UMI式手持夹爪加穿戴式追踪器记录示教,使每条示教同时包含手部运动和接触力旋量。混合柔顺全身控制器被训练为同时跟踪运动和指定的手部力,并对实测力误差积分,因此无需知道接触对象的刚度。高层策略读取力并输出位姿和力指令,系统运行于宇树G1。
仿真中控制器跟踪5至25牛指令的增益为1.03至1.06,每只手接触误差约1牛;加导纳环的SONIC增益为0.67至0.70、误差7.9牛。真机按压固定测力计时,前向可达指令力的约91%,平均误差1.1牛,1.8秒内进入1牛误差带。在三项真实任务(推动吊挂另一台机器人的龙门架、双手旋转箱子、擦板)中,完整系统30次试验成功24次(80%)。不向控制器下达力指令时降至36.7%,策略去掉力输入为66.7%,纯位置扩散策略为26.7%。
每项任务仅试验10次,成功率不确定性大,且只在一种机型上测试了三项任务。侧向和向下的力指令增益偏低并向其他轴泄漏;传感器静止读数约1.3至1.5牛,因此低于1.5牛的指令被置零,上限25牛。力跟踪使根部位置误差比无力版本增加1.3至3.2厘米。本文为预印本。
推车、搬大箱、清洁等接触密集型作业是仓储和服务人形机器人的主要价值所在,也正是纯运动模仿学习的短板。亚马逊自家机器人研究团队用宇树G1和低成本手持采集设备实现这一点,对Agility、Figure以及优必选、智元等中国厂商都有参考意义:带力标注的无机器人数据可能在一到两年内成为标准数据产品,控制器也需要相应的力输入接口。
论文全文
本文依据 CC BY 4.0 许可发布,全文经署名以英文转载:阅读全文(英文)。原文见 arXiv:2610.35862(PDF)。